【技术实现步骤摘要】
本专利技术涉及用户会话推荐方法,尤其是涉及一种基于深度神经网络的用户会话推荐方法。
技术介绍
为了应对信息过载问题,人们越来越多得依赖推荐系统来选择我们需要的信息和物品。例如淘宝、京东商城、考拉海购、苏宁易购、Amazon等购物网站,就向用户提供了多种不同形式的推荐服务,它们会根据用户的购买的历史纪录,推测用户的购买喜好,向他推荐用户可能会购买的物品。
近年来,协同过滤算法被许多实际系统所采用。P.Resnick等人(1994年)较早研究了协同过滤推荐算法,将整个用户-物品数据集加载到内存中,并把它看作一个整体来进行评分预测。该算法使用皮尔逊相关度系数作为两个用户之间的相似度权重,然后为目标用户在每一个物品上面的评分进行预测。然而该方法需要将所有数据加载到内存中,因此并不具有良好的伸缩性。J.S.Breese等人(1998年)将贝叶斯模型应用于协同过滤推荐中,发现具有更好的伸缩性但是其推荐的性能较基于内存的方法有所下降。R.Greiner等人(1998年)提出了扩展逻辑回归的贝叶斯网络,提高了推荐精度,但是需要更长的训练时间。S.Zhang等人(2005年)提出了基于奇异值分解的协同过滤推荐算法,通过对评分矩阵的直接建模,进一步提高了推荐精度。Y.Zhou等人(2008年)提出了利用交替最小二乘算法进行协同过滤推荐,该方法简化了奇异值分解模型,较奇异值分解方法具有更好的伸缩性。此外,随着G.E.Hinton等人(2006年)提出深度神经网络的训练方法后,深度神经网络逐渐成为人工智能、机器学习领域的一个热门研究方向。S ...
【技术保护点】
一种基于深度神经网络的用户会话的推荐方法,其特征在于,该方法的步骤如下:步骤1)收集购物网站日志数据,按照用一个用户的同一个会话对日志数据进行分类,重建所有用户的完整会话所浏览过的商品网页,并按照6:2:2的比例,生成训练集D’、交叉验证集V’和测试集T’;步骤2)对所有用户的完整会话进行扩展处理,用所述完整会话生成多个不完整会话,从而生成训练集D、交叉验证集V和测试集T;步骤3)深度神经网络模型分为循环神经网络和前馈神经网络两部分,设置深度神经网络模型的初始结构,生成深度神经网络模型;步骤4)利用梯度下降算法在训练集D上训练深度神经网络模型,根据交叉验证集V上的正确率使用基于遗传算法的自动调参框架对深度神经网络模型的结构和基本参数进行自动调参;步骤5)使用训练好的深度神经网络模型对用户会购买的商品在测试集T进行预测,计算深度神经网络模型在测试集T上的正确率;步骤6)计算在测试集T上的路径压缩比,路径压缩比定义为在由同一个完整会话扩展而来的多个不完整会话中,最早获得用户在完整会话中购买的商品的推荐结果的用户会话长度与完整会话长度之比。
【技术特征摘要】
1.一种基于深度神经网络的用户会话的推荐方法,其特征在于,该方法
的步骤如下:
步骤1)收集购物网站日志数据,按照用一个用户的同一个会话对日志数据
进行分类,重建所有用户的完整会话所浏览过的商品网页,并按照6:2:2的比
例,生成训练集D’、交叉验证集V’和测试集T’;
步骤2)对所有用户的完整会话进行扩展处理,用所述完整会话生成多个不
完整会话,从而生成训练集D、交叉验证集V和测试集T;
步骤3)深度神经网络模型分为循环神经网络和前馈神经网络两部分,设置
深度神经网络模型的初始结构,生成深度神经网络模型;
步骤4)利用梯度下降算法在训练集D上训练深度神经网络模型,根据交
叉验证集V上的正确率使用基于遗传算法的自动调参框架对深度神经网络模
...
【专利技术属性】
技术研发人员:寿黎但,陈珂,陈刚,胡天磊,伍赛,俞骋超,
申请(专利权)人:浙江大学,
类型:发明
国别省市:浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。